本報杭州8月3日電(記者劉習、陸健)近日,浙江大學腦機智能全國重點實驗室發布了最新研製的新一代神經擬態類腦計算機——Darwin Monkey(中文名「悟空」),是神經元規模超過20億的基於專用神經擬態晶片的類腦計算機。 類腦計算是將生物神經網絡的工作機理應用於計算機系統設計中,構建像大腦一樣低功耗、高並行、高效率、智能化的計算系統。據介紹,「悟空」由15臺刀片式神經擬態類腦伺服器組成,每一臺刀片式類腦伺服器內部集成了64顆達爾文3代類腦計算晶片,神經元數量已接近獼猴大腦規模,在典型運行狀態下功耗約為2000瓦。 為了充分釋放類腦計算機能力,團隊還採用分層資源管理架構,研製了新一代達爾文類腦作業系統,實現了神經擬態任務的高效並發調度與系統資源的動態優化。此外,團隊還在該類腦計算機上部署了多項智能應用。 目前,「悟空」不僅能夠運行DeepSeek完成邏輯推理、內容生成和數學求解等智能任務,還能初步模擬包括秀麗線蟲、斑馬魚、小鼠以及獼猴等不同神經元規模的動物大腦,為腦科學研究提供了新的手段。 「悟空」類腦計算系統的推出,將為現有計算場景提供新的計算範式,解決現有深度網絡及大模型高能耗、高計算量的問題;還將作為神經科學家研究腦的仿真工具,提供新的實驗手段,並在減少真實的生物實驗的基礎上更好地理解大腦;並以仿腦的工作機制和超越人腦的運算速度,推動通用人工智慧的發展。 作者:本報記者 劉習 陸健《光明日報》( 2025年08月04日 07版)
天津8月14日電(記者 孫玲玲)記者13日從南開大學獲悉,近日,南開大學計算機學院媒體計算實驗室取得最新研究成果,不僅從評估的角度揭示了現有AI檢測方法的性能不足,並創新性地提出了「直接差異學習」(Direct Discrepancy Learning,DDL)優化策略,教會AI用「火眼金睛」辨別人機不同,實現AI檢測性能的巨大突破。相關成果論文已被計算機多媒體領域國際頂級會議ACM MM2025(ACM International Conference on Multimedia)接收。 圖為南開大學研究團隊提出的DetectAnyLLM檢測框架以及MIRAGE基準數據集亮點全析。(南開大學 供圖) 近日,OpenAI發布新一代人工智慧模型GPT-5,再次引發全球關注。隨著DeepSeek、ChatGPT、通義千問、豆包等AIGC大模型逐漸從「新奇玩具」變成學習、工作中不可或缺的「生產力工具」,其伴生問題也日益凸顯:AI經常會「一本正經地胡說八道」,生成看似合理的虛假信息,造成「AI幻覺」;依賴AI工具代寫作業甚至畢業論文,極大衝擊著學術誠信和規範;論文AI率檢測系統有待完善,論文被誤判的問題時有發生……如何精準識別AI生成內容,成為亟待解決的熱點問題。 據了解,目前AI生成內容檢測主要有兩種路線,一種是「基於訓練的檢測方法」,使用特定數據訓練一個專用的分類模型;另一種是「零樣本檢測方法」,直接使用一個預訓練的語言模型並設計某種分類標準進行分類。 圖為AI生成內容檢測示意圖。(南開大學 供圖) 多項研究表明,現有檢測方法在應對複雜的現實場景時常顯不足。此前也曾有權威媒體報導,《荷塘月色》《流浪地球》等經典作品被某常用論文AI率檢測系統檢出高AI率。 為何現有的AI檢測工具會「誤判」?論文第一作者、南開大學計算機學院計算機科學卓越班2023級本科生付嘉晨解釋道:「如果把AI文本檢測比作一場考試,檢測器的訓練數據等同於日常練習題,現有檢測方法是機械刷題、死記硬背答題的固定套路,難以學會答題邏輯,一旦遇到全新難題,準確率就會顯著下降。」 「要想實現通用檢測,理論上需收集所有大模型的數據進行訓練,但在大模型迭代飛速的今天幾乎不可能。」付嘉晨說,讓檢測器真正學會舉一反三,即提升檢測器的泛化性能,是提升AI文本檢測性能的關鍵。 為此,研究團隊提出了DDL方法另闢蹊徑,通過直接優化模型預測的文本條件概率差異與人為設定的目標值之間的差距,幫助模型學習AI文本檢測的內在知識,可以精準捕捉人機文本間的深層語義差異,從而大幅提升檢測器的泛化能力與魯棒性。 「使用DDL訓練得到的檢測器如同有了『火眼金睛』,即便只『學習』過DeepSeek-R1的文本,也能精準識別像GPT-5這樣最新大模型生成的內容。」付嘉晨說。 團隊還提出了一個全面的測試基準數據集MIRAGE,使用13種主流的商用大模型(如豆包、DeepSeek、Kimi等)以及4種先進的開源大模型(如Qwen等),從AI生成、潤色、重寫三個角度構造了接近十萬條人類-AI文本對。 「MIRAGE是目前唯一聚焦於對商用大語言模型檢測的基準數據集。直觀地說,之前的基準數據集是由少而且能力簡單的大模型命題出卷,而MIRAGE是17個能力強大的大模型聯合命題,形成一套高難度、又有代表性的檢測試卷。」論文通訊作者、南開大學計算機學院副教授郭春樂說。 在MIRAGE的測試結果顯示,現有檢測器的準確率從在簡單數據集上的90%驟降至約60%;而使用DDL訓練的檢測器仍保持85%以上的準確率。與史丹福大學提出的DetectGPT相比,性能相對提升71.62%;與馬裡蘭大學、卡內基梅隆大學等共同提出的Binoculars方法相比,性能相對提升68.03%。 「AIGC發展日新月異,我們將持續迭代升級評估基準和技術,致力於實現更快、更準、更低成本的AI生成文本檢測,以AI之力,讓每一篇成果更出彩。」研究團隊負責人、南開大學計算機學院教授李重儀說。(完)
免责声明:本文内容与数据仅供参考,不构成投资建议,使用前请核实。据此操作,风险自担。
27639
39
2026-01-07 01:05
53481
53
2026-01-07 01:05
71845
31
2026-01-07 01:05
14563
58
2026-01-07 01:05
58763
32
2026-01-07 01:05
52419
58
2026-01-07 01:05
86359
52
2026-01-07 01:05
18523
89
2026-01-07 01:05
73891
97
2026-01-07 01:05
64397
86
2026-01-07 01:05
54387
67
2026-01-07 01:05
59378
68
2026-01-07 01:05
61894
49
2026-01-07 01:05
27561
24
2026-01-07 01:05
68712
16
2026-01-07 01:05
71463
12
2026-01-07 01:05
18765
67
2026-01-07 01:05
38719
82
2026-01-07 01:05
63895
47
2026-01-07 01:05
28564
25
2026-01-07 01:05
34856
26
2026-01-07 01:05
13569
36
2026-01-07 01:05
69752
85
2026-01-07 01:05
13652
28
2026-01-07 01:05
29734
58
2026-01-07 01:05
95827
57
2026-01-07 01:05
61348
91
2026-01-07 01:05
61853
87
2026-01-07 01:05
35642
62
2026-01-07 01:05
15837
18
2026-01-07 01:05
38794
91
2026-01-07 01:05
62834
18
2026-01-07 01:05
24195
23
2026-01-07 01:05
13594
18
2026-01-07 01:05
63497
68
2026-01-07 01:05
18392
78
2026-01-07 01:05
13948
68
2026-01-07 01:05
32456
17
2026-01-07 01:05
17654
84
2026-01-07 01:05
42153
52
2026-01-07 01:05
29735
27
2026-01-07 01:05
63857
75
2026-01-07 01:05
14529
43
2026-01-07 01:05
48291
16
2026-01-07 01:05
19765
51
2026-01-07 01:05
84921
21
2026-01-07 01:05
23451
59
2026-01-07 01:05
32149
49
2026-01-07 01:05
76431
56
2026-01-07 01:05
96428
78
2026-01-07 01:05
63975
24
2026-01-07 01:05
35921
36
2026-01-07 01:05
49128
73
2026-01-07 01:05
| 蜜桃视频 | 520直播 |
| 直播软件下载 | |
| 秀色直播app下载安装app | 少女6夜半直播nba |
| 秀色直播app下载 | |
| 婬色直播 | 看b站a8直播 |
| 私密直播全婐app | |
| 韩国直播 | 魅影直播 |
| 色花堂直播 | |
| 秀色直播app下载安装app | 魅影5.3直播 |
| 现场直播 | |
| 柚子直播 | 色花堂直播 |
| 小猫咪视频 | |
| 青柠直播 | 秀色直播app下载安装app |
| 苹果直播 | |
| 小猫咪视频 | 巧克力直播 |
| 直播全婐app免费 | |
| 柚子直播 | 樱花直播nba |
| 蝶恋直播 | |
| 绿茶直播 | 花瓣直播 |
| 69美女直播 | |